[論文レビュー] TrAISformer-A generative transformer for AIS trajectory prediction.

Duong Nguyen, Ronan Fablet|arXiv (Cornell University)|Sep 8, 2021

Time Series Analysis and Forecasting参考文献 41被引用数 27

ひとこと要約

TrAISformerは、運動パターンの離散表現を用いて、連続的軌道回帰問題を分類問題に再定式化する生成的Transformerモデルである。AISデータの系列を高次元埋め込みに符号化し、自己注意機構を活用して長期的依存関係を捉えることで、実際の公開AISデータセットにおいて最先端の性能を達成し、従来の手法を著しく上回る。

ABSTRACT

Modelling trajectory in general, and vessel trajectory in particular, is a difficult task because of the multimodal and complex nature of motion data. In this paper, we present TrAISformer-a novel deep learning architecture that can forecast vessel positions using AIS (Automatic Identification System) observations. We address the multimodality by introducing a discrete representation of AIS data and re-frame the prediction, which is originally a regression problem, as a classification problem. The model encodes complex movement patterns in AIS data in high-dimensional vectors, then applies a transformer to extract useful long-term correlations from sequences of those embeddings to sample future vessel positions. Experimental results on real, public AIS data demonstrate that TrAISformer significantly outperforms state-of-the-art methods.

研究の動機と目的

• 自動識別システム（AIS）観測における船舶軌道データの多モード性と複雑さに対処すること。
• 航海における多様な将来の運動パターンを捉えることが難しい回帰ベースのモデルの限界を克服すること。
• 深層学習アーキテクチャを用いてAIS系列内の時間的相関をモデル化することで、長期的軌道予測を改善すること。
• AISデータの離散表現を導入し、軌道予測を分類タスクに再定式化すること。
• 実世界のAIS軌道予測ベンチマークで最先端の性能を達成すること。

提案手法

• モデルはAISデータの離散表現を用いて、連続的軌道回帰を分類問題に変換する。
• 学習済み埋め込み層を用いてAIS系列を高次元ベクトルに符号化し、複雑な移動パターンを捉える。
• Transformerエンコーダーが埋め込みの系列を処理し、長期的な時間的相関を抽出する。
• 将来の位置は、離散的位置トークン上の学習済み分布からサンプリングすることで生成する。
• 自己注意メカニズムを活用して、船舶移動系列内の長距離依存関係をモデル化する。
• 最終的な予測は、妥当な将来の軌道を複数サンプリングできる生成的デコードプロセスによって得られる。

実験結果

リサーチクエスチョン

• RQ1 AISデータの離散表現は、多モード船舶軌道のモデリングを改善できるか？
• RQ2 Transformerアーキテクチャは、系列的AIS観測における長期的依存関係を、軌道予測の文脈で効果的に捉えられるか？
• RQ3 軌道予測を分類タスクに再定式化することは、従来の回帰ベースの手法よりも優れた性能をもたらすか？
• RQ4 TrAISformerは、実世界のAISデータにおいて、既存の最先端手法をどの程度上回るか？
• RQ5 モデルは、現実的な航海行動を反映する多様で妥当な将来の軌道を生成できるか？

主な発見

• TrAISformerは、実際の公開AIS軌道予測ベンチマークにおいて、最先端の手法を著しく上回る。
• AISデータの離散表現は、連続的回帰とは対照的に、多様な将来の軌道をよりよくモデリング可能である。
• Transformerベースのアーキテクチャは、船舶移動系列内の長期的時間的相関を効果的に捉えている。
• 軌道予測を分類タスクに再定式化することで、予測精度と予測パスの多様性が向上した。
• モデルは実世界のAISデータにおいて優れた一般化性能を示し、長期予測において優れた性能を達成した。
• TrAISformerの生成的性質により、複数の妥当な将来の軌道をサンプリング可能であり、航海分野における実用的利点が向上した。